CN115017263A - 文章推荐方法、文章推荐装置、电子设备、存储介质 - Google Patents

文章推荐方法、文章推荐装置、电子设备、存储介质 Download PDF

Info

Publication number
CN115017263A
CN115017263A CN202210634990.9A CN202210634990A CN115017263A CN 115017263 A CN115017263 A CN 115017263A CN 202210634990 A CN202210634990 A CN 202210634990A CN 115017263 A CN115017263 A CN 115017263A
Authority
CN
China
Prior art keywords
article
list
click
clicked
target
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202210634990.9A
Other languages
English (en)
Other versions
CN115017263B (zh
Inventor
易明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN202210634990.9A priority Critical patent/CN115017263B/zh
Publication of CN115017263A publication Critical patent/CN115017263A/zh
Application granted granted Critical
Publication of CN115017263B publication Critical patent/CN115017263B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/334—Query execution
    • G06F16/3344—Query execution using natural language analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/334—Query execution
    • G06F16/3346—Query execution using probabilistic model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/335—Filtering based on additional data, e.g. user or group profiles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请提供一种文章推荐方法、文章推荐装置、电子设备、存储介质，包括：获取预设时间范围内目标对象的点击数据和目标对象对应的信息；根据目标对象的点击数据获取目标对象的点击文章；根据目标对象的信息和目标对象的点击文章建立第一关系列表；提取点击文章的多个点击关键词；根据第一关系列表和多个点击关键词建立第二关系列表；根据点击文章的浏览历史从第一关系列表中确定第三关系列表；对第二关系列表和第三关系列表进行组合处理，得到点击文章的召回列表；根据召回列表生成点击文章对应的文章推荐结果。本申请根据目标对象的点击数据得到召回列表，使召回列表中的召回文章与目标对象的点击数据相关，能够提高线上召回的效果。

Description

文章推荐方法、文章推荐装置、电子设备、存储介质
技术领域
本申请涉及人工智能技术领域，尤其涉及一种文章推荐方法、文章推荐装置、电子设备、存储介质。
背景技术
相关技术中，基于局部敏感哈希算法进行文章推荐，通过提取网站中已发布的每篇文章的标题和内容关键词，将标题和内容关键词输入word2vec模型生成文章对应的词向量，利用距离计算公式计算词向量之间的距离，并根据距离获取与当前词向量最近的多个其他词向量，获取这多个其他词向量对应的文章用于召回，这种召回方式原理较为简单，线上召回效果差。
发明内容
本申请实施例的主要目的在于提出一种文章推荐方法、文章推荐装置、电子设备、存储介质，能够使召回的文章与目标对象的点击数据相关联，提高线上召回的效果。
为实现上述目的，本申请实施例的第一方面提出了一种文章推荐方法，所述方法包括：
获取预设时间范围内目标对象的点击数据和所述目标对象对应的信息；
根据所述目标对象的点击数据获取所述目标对象的点击文章；
根据所述目标对象的信息和所述目标对象的点击文章建立第一关系列表，所述第一关系列表用于表征所述目标对象与所述点击文章之间的关系；
对所述点击文章进行分词处理，得到所述点击文章的多个词语，根据所述词语在所述点击文章的词频和逆文档频率，从多个所述词语中提取所述点击文章的多个点击关键词；
根据所述第一关系列表和多个所述点击关键词建立第二关系列表，所述第二关系列表用于表征所述目标对象与所述点击关键词之间的关系；
根据所述点击文章的浏览历史从所述第一关系列表中确定第三关系列表，所述第三关系列表用于表征所述点击文章和根据所述点击文章的浏览历史确定的目标对象之间的关系；
从所述第二关系列表中获取第三关系列表中目标对象对应的点击关键词，将所述第三关系列表中目标对象对应的点击关键词作为目标关键词，对所述第三关系列表中的点击文章和所述目标关键词进行组合处理，得到所述点击文章的召回列表；
根据所述召回列表生成所述点击文章对应的文章推荐结果。
在一些实施例，所述根据所述目标对象的信息和所述目标对象的点击文章建立第一关系列表，包括：
计算所述目标对象在对应的所述点击文章的点击频次；
根据所述点击频次对多个所述点击文章进行排序，得到排序后的点击文章；
对所述排序后的点击文章进行筛选，从所述排序后的点击文章中提取出目标点击文章；
根据所述目标对象的信息和所述目标点击文章建立第一关系列表。
在一些实施例，所述根据所述第一关系列表和多个所述点击关键词建立第二关系列表，包括：
计算多个所述点击关键词在所述点击文章中的出现频次；
根据所述出现频次对多个所述点击关键词进行筛选，从多个所述点击关键词中提取出目标点击关键词；
根据所述第一关系列表和所述目标点击关键词建立第二关系列表。
在一些实施例，所述从所述第二关系列表中获取第三关系列表中目标对象对应的点击关键词，将所述第三关系列表中目标对象对应的点击关键词作为目标关键词，对所述第三关系列表中的点击文章和所述目标关键词进行组合处理，得到所述点击文章的召回列表，包括：
从所述第二关系列表中获取第三关系列表中目标对象对应的点击关键词，将所述第三关系列表中目标对象对应的点击关键词作为目标关键词，对所述第三关系列表中的点击文章和所述目标关键词进行组合处理，得到第四关系列表，所述第四关系列表用于表征所述点击文章与所述目标关键词之间的关系；
将所述第四关系列表输入预设的语义识别模型，根据所述语义识别模型对所述第四关系列表进行向量化处理，得到所述点击文章对应的目标嵌入向量；
根据所述目标嵌入向量得到所述点击文章的召回列表。
在一些实施例，所述将所述第四关系列表输入预设的语义识别模型，根据所述语义识别模型对所述第四关系列表进行向量化处理，得到所述点击文章对应的目标嵌入向量，包括：
获取全量内容表；
提取所述全量内容表中的发布文章和所述发布文章对应的内容关键词；
根据所述发布文章和所述内容关键词建立第五关系列表，所述第五关系列表用于表征所述发布文章与所述内容关键词之间的关系；
将所述第四关系列表和所述第五关系列表进行组合处理，得到组合关系列表；
对所述组合关系列表进行去重处理，得到目标关系列表；
将所述目标关系列表输入预设的语义识别模型，根据所述语义识别模型对所述目标关系列表进行向量化处理，得到所述点击文章对应的目标嵌入向量。
在一些实施例，所述根据所述目标嵌入向量得到所述点击文章的召回列表，包括：
根据局部敏感哈希算法计算所述目标嵌入向量与其他嵌入向量的相似度，所述其他嵌入向量为除了所述点击文章以外其他文章对应的嵌入向量；
根据所述相似度计算所述目标嵌入向量的目标邻向量；
获取所述目标邻向量对应的召回文章；
根据所述召回文章得到所述点击文章的召回列表。
在一些实施例，所述召回列表被存储于预设数据库中，所述根据所述召回列表生成所述点击文章对应的文章推荐结果，包括：
响应于对所述点击文章的点击操作，从所述预设数据库中获取所述点击文章对应的所述召回列表；
获取所述召回列表中召回文章的打分数值；
根据所述打分数值对所述召回文章进行筛选，从所述召回文章中提取出目标召回文章；
根据所述目标召回文章生成所述点击文章对应的所述文章推荐结果。
本申请实施例的第二方面提出了一种文章推荐装置，所述装置包括：
第一获取模块，用于获取预设时间范围内目标对象的点击数据和所述目标对象对应的信息；
第二获取模块，用于根据所述目标对象的点击数据获取所述目标对象的点击文章；
第一关系列表模块，用于根据所述目标对象的信息和所述目标对象的点击文章建立第一关系列表，所述第一关系列表用于表征所述目标对象与所述点击文章之间的关系；
关键词提取模块，用于对所述点击文章进行分词处理，得到所述点击文章的多个词语，根据所述词语在所述点击文章的词频和逆文档频率，从多个所述词语中提取所述点击文章的多个点击关键词；
第二关系列表模块，用于根据所述第一关系列表和多个所述点击关键词建立第二关系列表，所述第二关系列表用于表征所述目标对象与所述点击关键词之间的关系；
第三关系列表模块，用于根据所述点击文章的浏览历史从所述第一关系列表中确定第三关系列表，所述第三关系列表用于表征所述点击文章和根据所述点击文章的浏览历史确定的目标对象之间的关系；
召回列表模块，用于从所述第二关系列表中获取第三关系列表中目标对象对应的点击关键词，将所述第三关系列表中目标对象对应的点击关键词作为目标关键词，对所述第三关系列表中的点击文章和所述目标关键词进行组合处理，得到所述点击文章的召回列表；
文章推荐模块，用于根据所述召回列表生成所述点击文章对应的文章推荐结果。
本申请实施例的第三方面提出了一种电子设备，所述电子设备包括存储器和处理器，其中，所述存储器中存储有程序，所述程序被所述处理器执行时所述处理器用于执行如本申请第一方面实施例任一项所述的方法。
本申请实施例的第四方面提出了一种存储介质，该存储介质为计算机可读存储介质，所述存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如本申请第一方面实施例任一项所述的方法。
本申请实施例提出的文章推荐方法、文章推荐装置、电子设备、存储介质，通过获取预设时间范围内目标对象的点击数据和目标对象对应的信息，根据目标对象的点击数据获取目标对象的点击文章，根据目标对象的信息和目标对象的点击文章建立第一关系列表，第一关系列表用于表征目标对象与点击文章之间的关系，对点击文章进行分词处理，得到点击文章的多个词语，根据词语在点击文章的词频和逆文档频率，从多个词语中提取点击文章的多个点击关键词，根据第一关系列表和多个点击关键词建立第二关系列表，第二关系列表用于表征目标对象与点击关键词之间的关系，根据点击文章的浏览历史从第一关系列表中确定第三关系列表，第三关系列表用于表征点击文章和根据点击文章的浏览历史确定的目标对象之间的关系，从第二关系列表中获取第三关系列表中目标对象对应的点击关键词，将第三关系列表中目标对象对应的点击关键词作为目标关键词，对第三关系列表中的点击文章和目标关键词进行组合处理，得到点击文章的召回列表，根据召回列表生成点击文章对应的文章推荐结果，根据目标对象的点击数据和目标对象的信息得到召回列表，使召回列表中的召回文章与目标对象及其点击数据相关，能够提高线上召回的效果。
附图说明
图1是本申请实施例提供的文章推荐方法的第一流程图；
图2是图1中的步骤S130的流程图；
图3是图1中的步骤S150的流程图；
图4是图1中的步骤S170的流程图；
图5是图4中的步骤S420的流程图；
图6是图4中的步骤S430的流程图；
图7是图1中的步骤S180的流程图；
图8为本申请另一实施例提供的文章推荐方法的第二流程图；
图9为本申请实施例提供的文章推荐装置的模块结构框图；
图10是本申请实施例提供的电子设备的硬件结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。
需要说明的是，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
在本申请的各个具体实施方式中，当涉及到需要根据用户信息、用户行为数据，用户历史数据以及用户位置信息等与用户身份或特性相关的数据进行相关处理时，都会先获得用户的许可或者同意，而且，对这些数据的收集、使用和处理等，都会遵守相关国家和地区的相关法律法规和标准。此外，当本申请实施例需要获取用户的敏感个人信息时，会通过弹窗或者跳转到确认页面等方式获得用户的单独许可或者单独同意，在明确获得用户的单独许可或者单独同意之后，再获取用于使本申请实施例能够正常运行的必要的用户相关数据。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。
此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本公开的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本公开的各方面。
附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
首先，对本申请中涉及的若干名词进行解析：
人工智能(Artificial Intelligence，AI)：是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用***的一门新的技术科学；人工智能是计算机科学的一个分支，人工智能企图了解智能的实质，并生产出一种新的能以人类智能相似的方式作出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家***等。人工智能可以对人的意识、思维的信息过程的模拟。人工智能还是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用***。
词频(Term Frequency，TF)：是某个词在文章中出现的次数或者频次。
逆文档频率(Inverse Document Frequency，IDF)：是词语权重的度量，若某个词在多篇文章中的词频较低，但在某篇文章中却出现了多次，则该词的IDF值较大，该词在该篇文章的权重较大。
word2vec:是一种文本表示模型，将单词或者词组映射为实数域上的向量。word2vec模型包括连续词袋模型(Continuous Bag-of-Words Model,CBOW)和跳字模型(skip-gram)，其中连续词袋模型假设中心词由文本序列的上下文生成；跳字模型假设中心词生成该词在文本序列中的上下文。
嵌入(embedding)：embedding是一种向量表征，是指用一个低维的向量表示一个物体，该物体可以是一个词，或是一个商品，或是一个电影等等；这个embedding向量的性质是能使距离相近的向量对应的物体有相近的含义，比如embedding(复仇者联盟)和embedding(钢铁侠)之间的距离就会很接近，但embedding(复仇者联盟)和embedding(乱世佳人)的距离就会远一些。embedding实质是一种映射，从语义空间到向量空间的映射，同时尽可能在向量空间保持原样本在语义空间的关系，如语义接近的两个词汇在向量空间中的位置也比较接近。embedding能够用低维向量对物体进行编码还能保留其含义，常应用于机器学习，在机器学习模型构建过程中，通过把物体编码为一个低维稠密向量再传给DNN，以提高效率。
局部敏感哈希(Locality Sensitive Hashing,LSH)：是一种最近邻搜索算法，用于从海量高维数据集合中查找与给定数据最相似的一个或者多个数据。
相关技术中，采用局部敏感哈希算法进行文章推荐，通过提取网站中已发布的每篇文章的标题和内容关键词，将标题和内容关键词输入word2vec模型生成文章对应的词向量，利用距离计算公式计算词向量之间的距离，并根据距离获取与当前词向量最近的多个其他词向量，获取这多个其他词向量对应的文章用于召回，这种召回方式原理较为简单，线上召回效果差。
基于此，本申请实施例提出一种文章推荐方法、文章推荐装置、电子设备、存储介质，通过获取预设时间范围内目标对象的点击数据和目标对象对应的信息，根据目标对象的点击数据获取目标对象的点击文章，根据目标对象的信息和目标对象的点击文章建立第一关系列表，第一关系列表用于表征目标对象与点击文章之间的关系，对点击文章进行分词处理，得到点击文章的多个词语，根据词语在点击文章的词频和逆文档频率，从多个词语中提取点击文章的多个点击关键词，根据第一关系列表和多个点击关键词建立第二关系列表，第二关系列表用于表征目标对象与点击关键词之间的关系，根据点击文章的浏览历史从第一关系列表中确定第三关系列表，第三关系列表用于表征点击文章和根据点击文章的浏览历史确定的目标对象之间的关系，从第二关系列表中获取第三关系列表中目标对象对应的点击关键词，将第三关系列表中目标对象对应的点击关键词作为目标关键词，对第三关系列表中的点击文章和目标关键词进行组合处理，得到点击文章的召回列表，根据召回列表生成点击文章对应的文章推荐结果。本申请实施例根据预设时间范围内目标对象的点击数据和目标对象的信息得到召回列表，使召回列表中的召回文章与目标对象的点击数据相关，能够提高线上召回的效果。
本申请实施例提供的文章推荐方法、文章推荐装置、电子设备、存储介质，具体通过如下实施例进行说明，首先描述本申请实施例中的文章推荐方法。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用***。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互***、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
本申请实施例提供的文章推荐方法，涉及人工智能领域。本申请实施例提供的文章推荐方法可应用于终端中，也可应用于服务器端中，还可以是运行于终端或服务器端中的软件。在一些实施例中，终端可以是智能手机、平板电脑、笔记本电脑、台式计算机或者智能手表等；服务器端可以配置成独立的物理服务器，也可以配置成多个物理服务器构成的服务器集群或者分布式***，还可以配置成提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN以及大数据和人工智能平台等基础云计算服务的云服务器；软件可以是实现文章推荐方法的应用等，但并不局限于以上形式。
本申请实施例可用于众多通用或专用的计算机***环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器***、基于微处理器的***、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何***或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
参照图1，根据本申请实施例第一方面实施例的文章推荐方法，包括但不限于步骤S110至步骤S180。
步骤S110，获取预设时间范围内目标对象的点击数据和目标对象对应的信息；
步骤S120，根据目标对象的点击数据获取目标对象的点击文章；
步骤S130，根据目标对象的信息和目标对象的点击文章建立第一关系列表；
步骤S140，对点击文章进行分词处理，得到点击文章的多个词语，根据词语在点击文章的词频和逆文档频率，从多个词语中提取点击文章的多个点击关键词；
步骤S150，根据第一关系列表和多个点击关键词建立第二关系列表；
步骤S160，根据点击文章的浏览历史从第一关系列表中确定第三关系列表；
步骤S170，从第二关系列表中获取第三关系列表中目标对象对应的点击关键词，将第三关系列表中目标对象对应的点击关键词作为目标关键词，对第三关系列表中的点击文章和目标关键词进行组合处理，得到点击文章的召回列表；
步骤S180，根据召回列表生成点击文章对应的文章推荐结果。
在一些实施例的步骤S110中，获取预设时间范围内目标对象的点击数据和目标对象的信息，其中预设时间范围可以为三天、五天或者七天等；点击数据包括行为数据、文章数据、时间数据，行为数据包括点击行为数据和曝光行为数据，文章数据包括点击文章数据和曝光文章数据，时间数据为点击或者浏览文章的时间点；目标对象的信息包括用户的ID信息，例如用户的账号、IP地址等，表示为userID。需要说明的是，文章数据为文章的ID信息，表示为itemID。
在一些实施例的步骤S120中，从目标对象的点击数据中获取目标对象的点击行为数据，根据点击行为数据从第一映射表中查询得到对应点击行为数据的点击文章数据，根据时间数据从点击文章数据中获取对应时间的点击文章，其中所述第一映射表存储了目标对象的点击行为数据和对应点击行为数据的点击文章数据之间的映射关系，点击文章数据为目标对象在不同时间对应的点击文章的集合。根据点击文章从第二映射表中查询得到对应点击文章的点击文章内容，所述第二映射表存储了点击文章和对应点击文章内容之间的映射关系。
在一些实施例的步骤S130中，第一关系列表用于表征目标对象与点击文章之间的关系。若目标对象的信息表示为user，点击文章数据中点击文章的数量为n，n≥1，则点击文章数据表示为item＝{item1,item2,...,itemi,...,itemn}，其中itemi为第i篇点击文章，根据目标对象的信息user和目标对象的点击文章item建立第一关系列表list1，第一关系列表表示为：
list1＝user:{item1,item2,...,itemi,...,itemn}。
在一些实施例的步骤S140中，从第二映射表中查询得到点击文章对应的点击文章内容，根据TF-IDF算法提取点击文章内容的点击关键词。对点击文章内容进行分词处理，得到点击文章的所有词语，根据停用词字典过滤词语中的停用词得到第一词语列表，过滤第一词语列表中的标点符号得到第二词语列表，计算第二词语列表中每个词语的TF值和IDF值，根据词语的TF值和对应的IDF值计算TFIDF值，根据TFIDF值从第二词语列表中的多个词语提取目标词语，将目标词语作为点击关键词，其中词语的TF值根据该词语在该点击文章中出现的次数除以第二词语列表中的词语数量得到，IDF值根据点击文章的数量除以包括有该词语的点击文章的数量得到，TFIDF值为词语TF值和IDF值的乘积。
在一些实施例的步骤S150中，第二关系列表用于表征目标对象与点击关键中的多个点击关键词建立第二关系列表。若第一关系列表中user对应的点击文章item1的点击关键词为kw1，item2的点击关键词为kw2，itemi的点击关键词为kwi，则第二关系列表表示为：
list2＝user:{kw1,kw2,...,kwi,...,kwn}。
在一些实施例的步骤S160中，同一篇文章会被多个目标对象点击，根据点击文章的浏览历史从第一关系列表中确定第三关系列表，其中第三关系列表用于表征点击文章和根据点击文章的浏览历史确定的目标对象之间的关系。若第三关系列表表示为list3＝item:user，第一目标对象的第一关系列表表示为list11＝user1:{item1,item2,item3}，第二目标对象的第一关系列表表示为list12＝user2:{item1,item3}，点击文章item1被第一目标对象user1和第二目标对象user2点击过，点击文章item3也被第一目标对象user1和第二目标对象user2点击过，根据点击文章的浏览历史从第一关系列表list11和list12中确定第三关系列表list31＝item1:{user1,user2}、list32＝item3:{user1,user2}。
在一些实施例的步骤S170至S180中，召回列表用于表征点击文章与召回文章之间的关系，根据召回列表中的召回文章生成点击文章对应的文章推荐结果。
本申请实施例提出的文章推荐方法，通过获取预设时间范围内目标对象的点击数据和目标对象对应的信息，根据目标对象的点击数据获取目标对象的点击文章，根据目标对象的信息和目标对象的点击文章建立第一关系列表，提取点击文章的多个点击关键词，根据第一关系列表和多个点击关键词建立第二关系列表，根据点击文章的浏览历史从第一关系列表中确定第三关系列表，对第二关系列表和第三关系列表进行组合处理，得到点击文章的召回列表，根据召回列表生成点击文章对应的文章推荐结果。本申请实施例根据预设时间范围内目标对象的点击数据和目标对象的信息得到召回列表，使召回列表中的召回文章与目标对象以及目标对象的点击数据相关，能够提高线上召回的效果。
在一些实施例中，如图2所示，步骤S130具体包括但不限于步骤S210至步骤S240。
步骤S210，计算目标对象在对应的点击文章的点击频次；
步骤S220，根据点击频次对多个点击文章进行排序，得到排序后的点击文章；
步骤S230，对排序后的点击文章进行筛选，从排序后的点击文章中提取出目标点击文章；
步骤S240，根据目标对象的信息和目标点击文章建立第一关系列表。
在一些实施例的步骤S210至S240中，计算目标对象在对应的点击文章的点击频次，根据点击频次从大到小对多个点击文章进行逆序排序，得到排序后的点击文章，从排序后的点击文章中提取前k个点击文章作为目标点击文章，根据目标对象的信息和目标点击文章建立第一关系列表，其中1≤k≤m，m为排序后的点击文章的数量。
在一些实施例中，如图3所示，步骤S150具体包括但不限于步骤S310至步骤S330。
步骤S310，计算多个点击关键词在点击文章中的出现频次；
步骤S320，根据出现频次对多个点击关键词进行筛选，从多个点击关键词中提取出目标点击关键词；
步骤S330，根据第一关系列表和目标点击关键词建立第二关系列表。
在一些实施例的步骤S310至S330中，计算点击关键词在点击文章中的出现频次，根据出现频次从大到小对多个点击关键词进行逆序排序，得到排序后的点击关键词，从排序后的点击关键词中提取前p个点击关键词作为目标点击关键词，根据第一关系列表和目标点击关键词建立第二关系列表，其中1≤p≤nkw，nkw为排序后的点击关键词的数量。
在一些实施例中，如图4所示，步骤S170具体包括但不限于步骤S410至步骤S430。
步骤S410，从第二关系列表中获取第三关系列表中目标对象对应的点击关键词，将第三关系列表中目标对象对应的点击关键词作为目标关键词，对第三关系列表中的点击文章和目标关键词进行组合处理，得到第四关系列表；
步骤S420，将第四关系列表输入预设的语义识别模型，根据语义识别模型对第四关系列表进行向量化处理，得到点击文章对应的目标嵌入向量；
步骤S430，根据目标嵌入向量得到点击文章的召回列表。
在一些实施例的步骤S410中，从第二关系列表中获取第三关系列表中目标对象对应的点击关键词，将第三关系列表中目标对象对应的点击关键词作为目标关键词，对第三关系列表中的点击文章和目标关键词进行组合处理，即对第二关系列表和第三关系列表进行组合处理，得到组合关系列表，根据目标关键词在对应点击文章的出现频次从大到小对组合关系列表中的多个目标关键词进行逆序排序，得到排序后的组合关系列表，从排序后的组合关系列表中提取前k个目标关键词，根据该前k个目标关键词得到第四关系列表，其中1≤k≤m，m为组合关系列表中目标关键词的数量。第四关系列表用于表征点击文章与目标关键词之间的关系，将第四关系列表表示为list4＝item:kw。若第二关系列表为user1:{kw1,kw2}、user2:{kw3,kw4}，第三关系列表为item1:{user1,user2}，对第二关系列表user1:{kw1,kw2}、user2:{kw3,kw4}和第三关系列表item1:{user1}进行组合处理得到组合关系列表item1:{kw1,kw2,kw3,kw4}，kw1在item1中的出现频次为2，kw2在item1中的出现频次为3，kw3在item1中的出现频次为4，kw4在item1中的出现频次为1，根据出现频次对目标关键词进行排序，得到排序后的组合关系列表item1:{kw3,kw2,kw1,kw4}，从排序后的组合关系列表中提取前2个目标关键词，则目标关键词为kw3和kw2，根据目标关键词得到第四关系列表为list4＝item1:{kw3,kw2}。
在一些实施例的步骤S420中，预设的语义识别模型可以为word2vec模型，将第四关系列表输入word2vec模型进行向量化处理，得到点击文章对应的词嵌入向量，根据词嵌入向量得到点击文章对应的目标嵌入向量，其中词嵌入向量为一个n维向量。为了便于后续的相似性计算，本申请实施例中将n设置为3。需要说明的是，word2vec模型可以为连续词袋模型，也可以为跳字模型。
在一些实施例的步骤S430中，获取目标嵌入向量对应的文章，将目标嵌入向量对应的文章作为召回文章，根据召回文章得到点击文章的召回列表。
在一些实施例中，如图5所示，步骤S420具体包括但不限于步骤S510至步骤S560。
步骤S510，获取全量内容表；
步骤S520，提取全量内容表中的发布文章和发布文章对应的内容关键词；
步骤S530，根据发布文章和内容关键词建立第五关系列表；
步骤S540，将第四关系列表和第五关系列表进行组合处理，得到组合关系列表；
步骤S550，对组合关系列表进行去重处理，得到目标关系列表；
步骤S560，将目标关系列表输入预设的语义识别模型，根据语义识别模型对目标关系列表进行向量化处理，得到点击文章对应的目标嵌入向量。
在一些实施例的步骤S510中，全量内容表中存储的是所有已发布文章对应的ID、标题以及内容关键词等。
在一些实施例的步骤S520中，提取全量内容表中的发布文章ID和发布文章对应的内容关键词。
在一些实施例的步骤S530中，根据发布文章ID和内容关键词建立第五关系列表，其中第五关系列表用于表征发布文章与内容关键词之间的关系，将第五关系列表表示为list5＝item:kw。
在一些实施例的步骤S540中，若第四关系列表为list4＝item1:{kw1,kw2}，第五关系列表为list5＝item1:{kw1,kw2,kw3,kw4}，将第四关系列表和第五关系列表进行组合处理，得到组合关系列表item:{kw1,kw2,kw1,kw2,kw3,kw4}。将第四关系列表和第五关系列表进行组合处理，使点击数据与发布数据相结合，提高了文章推荐结果的质量。
在一些实施例的步骤S550中，对组合关系列表进行去重处理，去除组合关系列表中重复的关键词，得到目标关系列表。例如，组合关系列表item:{kw1,kw2,kw1,kw2,kw3,kw4}中存在重复的关键词kw1和kw2，对组合关系列表进行去重处理，去除重复的关键词kw1和kw2，得到目标关系列表item:{kw1,kw2,kw3,kw4}。
在一些实施例的步骤S560中，将目标关系列表输入word2vec模型，根据word2vec模型对目标关系列表进行向量化处理，得到目标关系列表对应的词嵌入向量，将该词嵌入向量作为目标嵌入向量。
在一些实施例中，如图6所示，步骤S430具体包括但不限于步骤S610至步骤S640。
步骤S610，根据局部敏感哈希算法计算目标嵌入向量与其他嵌入向量的相似度；
步骤S620，根据相似度计算目标嵌入向量的目标邻向量；
步骤S630，获取目标邻向量对应的召回文章；
步骤S640，根据召回文章得到点击文章的召回列表。
在一些实施例的步骤S610中，根据局部敏感哈希算法计算目标嵌入向量与其他嵌入向量的距离，并根据距离得到相似度，其中其他嵌入向量为除了点击文章以外其他文章对应的嵌入向量，距离为欧式距离、杰卡德距离等。可以理解的是，距离能够用于表征相似度，两向量的距离越近，说明这两个向量的相似度越高。
在一些实施例的步骤S620中，目标邻向量为最近邻向量，将其他嵌入向量按照相似度从小到大进行顺序排序，选取排序后的前k个嵌入向量作为目标邻向量，其中1≤k≤m，m为其他嵌入向量的数量。
在一些实施例的步骤S630中，获取目标邻向量对应的文章，并将目标邻向量对应的文章作为召回文章。
在一些实施例中，如图7所示，召回列表被存储于预设数据库中，步骤S180具体包括但不限于步骤S710至步骤S740。
步骤S710，响应于对点击文章的点击操作，从预设数据库中获取点击文章对应的召回列表；
步骤S720，获取召回列表中召回文章的打分数值；
步骤S730，根据打分数值对召回文章进行筛选，从召回文章中提取出目标召回文章；
步骤S740，根据目标召回文章生成点击文章对应的文章推荐结果。
在一些实施例的步骤S710中，当对点击文章进行点击操作，则获取召回列表用于文章推荐，通过获取当前点击文章的相似文章，并将相似文章作为召回列表中的召回文章，提高了线上召回的效果；当未对点击文章进行点击操作，则不进行文章推荐，避免了因误操作而触发文章推荐。
在一些实施例的步骤S720中，打分数值是根据预设的规则进行打分得到的分数值，其中预设的规则可以是点击频次、浏览时间等，点击频次越多，浏览时间越长则打分数值越高。
在一些实施例的步骤S730中，根据打分数值从高到底对多个召回文章进行排序，得到排序后的召回文章，从排序后的召回文章中选取前k个召回文章作为目标召回文章，其中1≤k≤m，m为召回列表中召回文章的数量。
参照图8，本申请另一实施例提出一种文章推荐方法，包括但不限于步骤S8010至步骤S8130。
步骤S8010，获取预设时间范围内目标对象的点击数据和目标对象对应的信息；
步骤S8020，根据目标对象的点击数据获取目标对象的点击文章；
步骤S8030，根据目标对象的信息和目标对象的点击文章建立第一关系列表；
步骤S8040，提取点击文章的多个点击关键词；
步骤S8050，根据第一关系列表和多个点击关键词建立第二关系列表；
步骤S8060，根据点击文章的浏览历史从第一关系列表中确定第三关系列表；
步骤S8070，对第二关系列表和第三关系列表进行组合处理，得到第四关系列表；
步骤S8080，获取全量内容表，提取全量内容表中的发布文章和发布文章对应的内容关键词，根据发布文章和内容关键词建立第五关系列表；
步骤S8090，将第四关系列表和第五关系列表进行组合处理，得到组合关系列表；
步骤S8100，对组合关系列表进行去重处理，得到目标关系列表；
步骤S8110，将目标关系列表输入预设的语义识别模型，根据语义识别模型对目标关系列表进行向量化处理，得到点击文章对应的目标嵌入向量；
步骤S8120，根据目标嵌入向量得到点击文章的召回列表，将召回列表存储于预设数据库；
步骤S8130，响应于对点击文章的点击操作，从预设数据库中获取点击文章对应的召回列表，根据召回列表生成点击文章对应的文章推荐结果。
本申请实施例还提供一种文章推荐装置，如图9所示，可以实现上述文章推荐方法，该装置包括：第一获取模块910、第二获取模块920、第一关系列表模块930、关键词提取模块940、第二关系列表模块950、第三关系列表模块960、召回列表模块970和文章推荐模块980，其中第一获取模块910用于获取预设时间范围内目标对象的点击数据和目标对象对应的信息；第二获取模块920用于根据目标对象的点击数据获取目标对象的点击文章；第一关系列表模块930用于根据目标对象的信息和目标对象的点击文章建立第一关系列表，第一关系列表用于表征目标对象与点击文章之间的关系；关键词提取模块940用于对点击文章进行分词处理，得到点击文章的多个词语，根据词语在点击文章的词频和逆文档频率，从多个词语中提取点击文章的多个点击关键词；第二关系列表模块950用于根据第一关系列表和多个点击关键词建立第二关系列表，第二关系列表用于表征目标对象与点击关键词之间的关系；第三关系列表模块960用于根据点击文章的浏览历史从第一关系列表中确定第三关系列表，第三关系列表用于表征点击文章和根据点击文章的浏览历史确定的目标对象之间的关系；召回列表模块970用于从所述第二关系列表中获取第三关系列表中目标对象对应的点击关键词，将所述第三关系列表中目标对象对应的点击关键词作为目标关键词，对所述第三关系列表中的点击文章和所述目标关键词进行组合处理，得到所述点击文章的召回列表；文章推荐模块980用于根据召回列表生成点击文章对应的文章推荐结果。
本申请实施例提出的文章推荐装置，通过获取预设时间范围内目标对象的点击数据和目标对象对应的信息，根据目标对象的点击数据获取目标对象的点击文章，根据目标对象的信息和目标对象的点击文章建立第一关系列表，提取点击文章的多个点击关键词，根据第一关系列表和多个点击关键词建立第二关系列表，根据点击文章的浏览历史从第一关系列表中确定第三关系列表，对第二关系列表和第三关系列表进行组合处理，得到点击文章的召回列表，根据召回列表生成点击文章对应的文章推荐结果。本申请实施例根据预设时间范围内目标对象的点击数据和目标对象的信息得到召回列表，使召回列表中的召回文章与目标对象以及目标对象的点击数据相关，能够提高线上召回的效果。
本申请实施例的文章推荐装置用于执行上述实施例中的文章推荐方法，其具体处理过程与上述实施例中的文章推荐方法相同，此处不再一一赘述。
本申请实施例还提供了一种电子设备，包括：
至少一个处理器，以及，
与至少一个处理器通信连接的存储器；其中，
存储器存储有指令，指令被至少一个处理器执行，以使至少一个处理器执行指令时实现如本申请第一方面实施例中任一项的方法。
下面结合图10对电子设备的硬件结构进行详细说明。该电子设备包括：处理器1010、存储器1020、输入/输出接口1030、通信接口1040和总线1050。
处理器1010，可以采用通用的CPU(Central Processing Unit，中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本申请实施例所提供的技术方案；
存储器1020，可以采用ROM(Read Only Memory，只读存储器)、静态存储设备、动态存储设备或者RAM(Random Access Memory，随机存取存储器)等形式实现。存储器1020可以存储操作***和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器1020中，并由处理器1010来调用执行本申请实施例的文章推荐方法；
输入/输出接口1030，用于实现信息输入及输出；
通信接口1040，用于实现本设备与其他设备的通信交互，可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信；和
总线1050，在设备的各个组件(例如处理器1010、存储器1020、输入/输出接口1030和通信接口1040)之间传输信息；
其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。
本申请实施例还提供一种存储介质，该存储介质是计算机可读存储介质，该计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令用于使计算机执行本申请实施例的文章推荐方法。
存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本申请实施例描述的实施例是为了更加清楚的说明本申请实施例的技术方案，并不构成对于本申请实施例提供的技术方案的限定，本领域技术人员可知，随着技术的演变和新应用场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。
本领域技术人员可以理解的是，图1至图8中示出的技术方案并不构成对本申请实施例的限定，可以包括比图示更多或更少的步骤，或者组合某些步骤，或者不同的步骤。
以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、***、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解，在本申请中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：只存在A，只存在B以及同时存在A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括多指令用以使得一台电子设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等各种可以存储程序的介质。
以上参照附图说明了本申请实施例的优选实施例，并非因此局限本申请实施例的权利范围。本领域技术人员不脱离本申请实施例的范围和实质内所作的任何修改、等同替换和改进，均应在本申请实施例的权利范围之内。

Claims (10)

1.文章推荐方法，其特征在于，所述方法包括：
获取预设时间范围内目标对象的点击数据和所述目标对象对应的信息；
根据所述目标对象的点击数据获取所述目标对象的点击文章；
根据所述目标对象的信息和所述目标对象的点击文章建立第一关系列表，所述第一关系列表用于表征所述目标对象与所述点击文章之间的关系；
对所述点击文章进行分词处理，得到所述点击文章的多个词语，根据所述词语在所述点击文章的词频和逆文档频率，从多个所述词语中提取所述点击文章的多个点击关键词；
根据所述第一关系列表和多个所述点击关键词建立第二关系列表，所述第二关系列表用于表征所述目标对象与所述点击关键词之间的关系；
根据所述点击文章的浏览历史从所述第一关系列表中确定第三关系列表，所述第三关系列表用于表征所述点击文章和根据所述点击文章的浏览历史确定的目标对象之间的关系；
从所述第二关系列表中获取第三关系列表中目标对象对应的点击关键词，将所述第三关系列表中目标对象对应的点击关键词作为目标关键词，对所述第三关系列表中的点击文章和所述目标关键词进行组合处理，得到所述点击文章的召回列表；
根据所述召回列表生成所述点击文章对应的文章推荐结果。
2.根据权利要求1所述的文章推荐方法，其特征在于，所述根据所述目标对象的信息和所述目标对象的点击文章建立第一关系列表，包括：
计算所述目标对象在对应的所述点击文章的点击频次；
根据所述点击频次对多个所述点击文章进行排序，得到排序后的点击文章；
对所述排序后的点击文章进行筛选，从所述排序后的点击文章中提取出目标点击文章；
根据所述目标对象的信息和所述目标点击文章建立第一关系列表。
3.根据权利要求1所述的文章推荐方法，其特征在于，所述根据所述第一关系列表和多个所述点击关键词建立第二关系列表，包括：
计算多个所述点击关键词在所述点击文章中的出现频次；
根据所述出现频次对多个所述点击关键词进行筛选，从多个所述点击关键词中提取出目标点击关键词；
根据所述第一关系列表和所述目标点击关键词建立第二关系列表。
4.根据权利要求1所述的文章推荐方法，其特征在于，所述从所述第二关系列表中获取第三关系列表中目标对象对应的点击关键词，将所述第三关系列表中目标对象对应的点击关键词作为目标关键词，对所述第三关系列表中的点击文章和所述目标关键词进行组合处理，得到所述点击文章的召回列表，包括：
从所述第二关系列表中获取第三关系列表中目标对象对应的点击关键词，将所述第三关系列表中目标对象对应的点击关键词作为目标关键词，对所述第三关系列表中的点击文章和所述目标关键词进行组合处理，得到第四关系列表，所述第四关系列表用于表征所述点击文章与所述目标关键词之间的关系；
将所述第四关系列表输入预设的语义识别模型，根据所述语义识别模型对所述第四关系列表进行向量化处理，得到所述点击文章对应的目标嵌入向量；
根据所述目标嵌入向量得到所述点击文章的召回列表。
5.根据权利要求4所述的文章推荐方法，其特征在于，所述将所述第四关系列表输入预设的语义识别模型，根据所述语义识别模型对所述第四关系列表进行向量化处理，得到所述点击文章对应的目标嵌入向量，包括：
获取全量内容表；
提取所述全量内容表中的发布文章和所述发布文章对应的内容关键词；
根据所述发布文章和所述内容关键词建立第五关系列表，所述第五关系列表用于表征所述发布文章与所述内容关键词之间的关系；
将所述第四关系列表和所述第五关系列表进行组合处理，得到组合关系列表；
对所述组合关系列表进行去重处理，得到目标关系列表；
将所述目标关系列表输入预设的语义识别模型，根据所述语义识别模型对所述目标关系列表进行向量化处理，得到所述点击文章对应的目标嵌入向量。
6.根据权利要求4所述的文章推荐方法，其特征在于，所述根据所述目标嵌入向量得到所述点击文章的召回列表，包括：
根据局部敏感哈希算法计算所述目标嵌入向量与其他嵌入向量的相似度，所述其他嵌入向量为除了所述点击文章以外其他文章对应的嵌入向量；
根据所述相似度计算所述目标嵌入向量的目标邻向量；
获取所述目标邻向量对应的召回文章；
根据所述召回文章得到所述点击文章的召回列表。
7.根据权利要求1至6任一项所述的文章推荐方法，其特征在于，所述召回列表被存储于预设数据库中，所述根据所述召回列表生成所述点击文章对应的文章推荐结果，包括：
响应于对所述点击文章的点击操作，从所述预设数据库中获取所述点击文章对应的所述召回列表；
获取所述召回列表中召回文章的打分数值；
根据所述打分数值对所述召回文章进行筛选，从所述召回文章中提取出目标召回文章；
根据所述目标召回文章生成所述点击文章对应的所述文章推荐结果。
8.文章推荐装置，其特征在于，所述装置包括：
第一获取模块，用于获取预设时间范围内目标对象的点击数据和所述目标对象对应的信息；
第二获取模块，用于根据所述目标对象的点击数据获取所述目标对象的点击文章；
第一关系列表模块，用于根据所述目标对象的信息和所述目标对象的点击文章建立第一关系列表，所述第一关系列表用于表征所述目标对象与所述点击文章之间的关系；
关键词提取模块，用于对所述点击文章进行分词处理，得到所述点击文章的多个词语，根据所述词语在所述点击文章的词频和逆文档频率，从多个所述词语中提取所述点击文章的多个点击关键词；
第二关系列表模块，用于根据所述第一关系列表和多个所述点击关键词建立第二关系列表，所述第二关系列表用于表征所述目标对象与所述点击关键词之间的关系；
第三关系列表模块，用于根据所述点击文章的浏览历史从所述第一关系列表中确定第三关系列表，所述第三关系列表用于表征所述点击文章和根据所述点击文章的浏览历史确定的目标对象之间的关系；
召回列表模块，用于从所述第二关系列表中获取第三关系列表中目标对象对应的点击关键词，将所述第三关系列表中目标对象对应的点击关键词作为目标关键词，对所述第三关系列表中的点击文章和所述目标关键词进行组合处理，得到所述点击文章的召回列表；
文章推荐模块，用于根据所述召回列表生成所述点击文章对应的文章推荐结果。
9.电子设备，其特征在于，所述电子设备包括存储器和处理器，其中，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时所述处理器用于执行：
如权利要求1至7任一项所述的方法。
10.存储介质，所述存储介质为计算机可读存储介质，其特征在于，所述计算机可读存储有计算机程序，在所述计算机程序被计算机执行时，所述计算机用于执行：
如权利要求1至7任一项所述的方法。
CN202210634990.9A 2022-06-07 2022-06-07 文章推荐方法、文章推荐装置、电子设备、存储介质 Active CN115017263B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210634990.9A CN115017263B (zh) 2022-06-07 2022-06-07 文章推荐方法、文章推荐装置、电子设备、存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210634990.9A CN115017263B (zh) 2022-06-07 2022-06-07 文章推荐方法、文章推荐装置、电子设备、存储介质

Publications (2)

Publication Number Publication Date
CN115017263A true CN115017263A (zh) 2022-09-06
CN115017263B CN115017263B (zh) 2024-06-04

Family

ID=83073483

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210634990.9A Active CN115017263B (zh) 2022-06-07 2022-06-07 文章推荐方法、文章推荐装置、电子设备、存储介质

Country Status (1)

Country Link
CN (1) CN115017263B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117875333A (zh) * 2024-01-16 2024-04-12 北京一笔两划科技有限公司 一种文本语义分析方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109255126A (zh) * 2018-09-10 2019-01-22 百度在线网络技术（北京）有限公司 文章推荐方法及装置
WO2020224097A1 (zh) * 2019-05-06 2020-11-12 平安科技（深圳）有限公司 智能语义文档推荐方法、装置及计算机可读存储介质
CN112182414A (zh) * 2020-08-13 2021-01-05 亿存(北京)信息科技有限公司 文章推荐方法、装置及电子设备

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109255126A (zh) * 2018-09-10 2019-01-22 百度在线网络技术（北京）有限公司 文章推荐方法及装置
WO2020224097A1 (zh) * 2019-05-06 2020-11-12 平安科技（深圳）有限公司 智能语义文档推荐方法、装置及计算机可读存储介质
CN112182414A (zh) * 2020-08-13 2021-01-05 亿存(北京)信息科技有限公司 文章推荐方法、装置及电子设备

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117875333A (zh) * 2024-01-16 2024-04-12 北京一笔两划科技有限公司 一种文本语义分析方法

Also Published As

Publication number Publication date
CN115017263B (zh) 2024-06-04

Similar Documents

Publication Publication Date Title
US9436768B2 (en) System and method for pushing and distributing promotion content
CN110717038B (zh) 对象分类方法及装置
CN111008321A (zh) 基于逻辑回归推荐方法、装置、计算设备、可读存储介质
CN111475725A (zh) 用于搜索内容的方法、装置、设备和计算机可读存储介质
CN104915399A (zh) 基于新闻标题的推荐数据处理方法及***
Zubiaga et al. Content-based clustering for tag cloud visualization
CN112182351A (zh) 一种基于多特征融合的新闻推荐方法及装置
CN106708829B (zh) 一种数据推荐方法及推荐***
JP2023544925A (ja) データ評価方法、トレーニング方法および装置、電子機器、記憶媒体、コンピュータプログラム
CN115238039A (zh) 文本生成方法、电子设备及计算机可读存储介质
CN115017263B (zh) 文章推荐方法、文章推荐装置、电子设备、存储介质
CN110162769B (zh) 文本主题输出方法和装置、存储介质及电子装置
CN114490923A (zh) 相似文本匹配模型的训练方法、装置、设备及存储介质
CN111831885B (zh) 一种互联网信息检索***与方法
CN113392329A (zh) 内容推荐方法、装置、电子设备及存储介质
JP7395377B2 (ja) コンテンツ検索方法、装置、機器、および記憶媒体
CN117149956A (zh) 一种文本检索方法、装置、电子设备及可读存储介质
CN114282119B (zh) 一种基于异构信息网络的科技信息资源检索方法及***
CN115618121A (zh) 个性化资讯推荐方法、装置、设备及存储介质
CN114090778A (zh) 基于知识锚点的检索方法、装置、电子设备及存储介质
CN110147488B (zh) 页面内容的处理方法、处理装置、计算设备及存储介质
CN116450913A (zh) 一种检索方法、装置、服务器及计算机可读存储介质
Liu Contextual topic model based image recommendation system
CN109190095B (zh) 一种文章的生成方法及装置
CN113641901B (zh) 资讯推荐方法、装置、计算机可读介质及电子设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant